基于Spearman-NARX的农村配网负荷和新能源监测数据修正方法
文献发布时间:2023-06-19 19:27:02
技术领域
本发明属于配电网负荷和新能源监测技术领域,尤其涉及基于Spearman-NARX的农村配网负荷和新能源监测数据修正方法。
背景技术
随着配电网的智能化,配电系统产生的数据量也将越来越大,大量的数据在进行传输时难免会产生失真、噪音等问题,对数据产生干扰,进而不可避免会产生一些不良数据,这些不良数据若不加处理就直接使用可能会导致调度人员做出错误的决策,从而引发安全事故,威胁系统的正常安全运行,因此,对不良数据进行修正是十分有必要且不可或缺的。
然而在电力系统当中,对不良数据修正的研究较少,大部分为采用单一的神经网络进行预测修正,未考虑其他数据的影响,针对农村配电网负荷和新能源监测中不良数据的研究就更少了;因此亟需一种能够适应农村配电网负荷和新能源监测中不良数据修正的方法,帮助农村配电网开展负荷和新能源监测研究,促进新能源在农村地区的发展与消纳。
因此,本发明提出了一种基于Spearman-NARX动态神经网络的农村配电网负荷和新能源监测中不良数据修正方法,能够考虑农村配电网中负荷与各种新能源数据之间的影响,并对不良数据进行修正,提高农村配电网在进行负荷和新能源监测时的准确性。
发明内容
本发明的一种基于Spearman-NARX动态神经网络的农村配电网负荷和新能源监测中不良数据修正方法,能够提高不良数据修正的准确率,为配电网的运行提供了一定的参考,为配电网的负荷和新能源的监测提供了良好的数据。
本发明解决其技术问题是采取以下技术方案实现的:
基于Spearman-NARX的农村配网负荷和新能源监测数据修正方法,包括如下步骤:
S1:获取农村配电网中每隔t时段收集到的负荷数据序列x
S2:确定不良数据,将不良数据剔除,并计算数据序列彼此之间的Spearman秩参数ρ;
S3:根据未出现不良数据的序列和对应的秩参数确定包含相关性的出现不良数据序列,利用所述包含相关性的出现不良数据序列对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测,得到预测后的包含相关性的出现不良数据序列,将预测后的数据序列与原始的包含不良数据序列结果做差,若差值小于等于允许精度,则获得不良数据的修正序列,反之,则继续对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测。
进一步的,设置NARX动态神经网络中的相关参数;其中,为了能够使得该网络更好的收敛,其网络的学习速率是根据当前情况实时变化的,计算公式如下:
当该网络的代价函数|E
反之,当|E
上式中,α'表示上一代学习速率。
进一步的,数据序列彼此之间的Spearman秩参数ρ的计算公式如下:
上式中,
进一步的,新能源的数据序列包括光伏发电数据序列x
进一步的,若不良数据出现在数据序列x
进一步的,对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测的方法为:
S301、为了充分考虑负荷x
x′
上式中,序列x′
S302、将数据序列x′
S303、利用训练后的NARX动态神经网络对数据序列x′
S304、若
本发明的优点和积极效果是:
本发明首先采用Spearman秩参数的方法得到了农村配电网内的负荷和各种新能源数据之间的相关性参数,并利用求得的相关性参数结合未出现不良数据的序列对有不良数据的序列采用NARX动态神经网络进行预测,充分利用了数据之间的相关性和正常数据,NARX动态神经网络在进行预测时能够保留前一时刻的数据,并将其加入到后续计算,提高了对不良数据修正的准确性;此外,对该神经网络的学习速率也进行了实时更正,能够使网络更快的收敛。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实施例提供的基于Spearman-NARX的农村配网负荷和新能源监测数据修正方法的对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测的流程方法示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1,本实施例提供的基于Spearman-NARX的农村配网负荷和新能源监测数据修正方法,包括如下步骤:
S1:获取农村配电网中每隔t时段收集到的负荷数据序列x
S2:确定不良数据,将不良数据剔除,并计算数据序列彼此之间的Spearman秩参数ρ,计算公式如下:
上式中,
S3:根据未出现不良数据的序列和对应的秩参数确定包含相关性的出现不良数据序列,利用所述包含相关性的出现不良数据序列对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测,得到预测后的包含相关性的出现不良数据序列,将预测后的数据序列与原始的包含不良数据序列结果做差,若差值小于等于允许精度,则获得不良数据的修正序列,反之,则继续对NARX动态神经网络进行训练,并利用训练好的NARX动态神经网络对包含相关性的出现不良数据序列进行预测;
作为举例,假设不良数据出现在数据序列x
具体的,步骤S3包括如下过程:
S301、为了充分考虑负荷x
x′
上式中,序列x′
S302、将数据序列x′
S303、设置NARX动态神经网络中的相关参数;其中,为了能够使得该网络更好的收敛,其网络的学习速率是根据当前情况实时变化的,计算公式如下:
当该网络的代价函数|E
反之,当|E
上式中,α'表示上一代学习速率。
并利用训练后的NARX动态神经网络对数据序列x′
S304、若
以上实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
- 一种基于大数据的配网负荷特征提取方法
- 一种基于海量历史数据的配网负荷均衡重构方法